Dev48
ЯЗЫК
  • О нас
  • Услуги
  • Индустрии
  • Технологии
  • Статьи
  • Контакты
Забронировать звонок
    Главная/Статьи/Tehnologiya amd ai nic setevye adaptery amd ai nic teper podderzhivayut hpc dlya
Dev48
info@dev48.org+375 29 320-40-96WhatsApp@isky_by

© 2026 · Все права защищены.

Технология AMD AI NIC: сетевые адаптеры AMD AI NIC теперь поддерживают HPC для ускорения научных исследований с помощью ИИ

Источник: AMD•17 ноября 2026 г. в 00:06

Технология AMD AI NIC: сетевые адаптеры AMD AI NIC теперь поддерживают HPC для ускорения научных исследований с помощью ИИ

Узнайте, как технология AMD AI NIC™ служит научным исследованиям с помощью ИИ, запуская обучение ИИ и MPI-симуляции в одной сети Ethernet с графическими процессорами AMD Instinct™ MI355X.

Одна сеть для ИИ и научных вычислений

AMD расширяет возможности своей технологии AI NIC, добавляя поддержку высокопроизводительных вычислительных нагрузок (HPC). Технология AMD AI NIC, созданная для ИИ и оптимизированная для HPC, позволяет использовать общую сеть Ethernet для поддержки крупномасштабного обучения ИИ и MPI-симуляций, которые лежат в основе научных вычислений.

Эта технология обеспечивает масштабируемое подключение для Lux, научной фабрики ИИ на базе AMD в Ок-Риджской национальной лаборатории (ORNL), занимающей 14-е место в списке TOP500 за ноябрь 2026 года.

Lux объединяет более 4000 графических процессоров AMD Instinct™ MI355X, серверные процессоры AMD EPYC™ и сетевые адаптеры AMD Pensando™ Pollara 400 AI NIC, при этом каждый AI NIC обеспечивает каждому графическому процессору 400 Гбит/с масштабируемого подключения. Поскольку достижения в области ИИ для науки все больше зависят от совместного использования одной сети нагрузками ИИ и HPC, Lux запускает крупномасштабное обучение ИИ и научные MPI-симуляции на единой инфраструктуре Ethernet.

Lux задействует эти возможности для миссии Genesis Министерства энергетики США (DOE). Запланированные проекты охватывают проектирование термоядерных электростанций с помощью ИИ, разработку и производство материалов, а также прогнозирование земных систем, объединяя ИИ и моделирование для продвижения научных открытий.

ИИ для науки все чаще объединяет модели ИИ и научные симуляции в одном рабочем процессе, предъявляя разные требования к сети. В то время как обучение ИИ перемещает большие объемы данных посредством коллективных операций, многие симуляции требуют частых обменов и синхронизации между процессорами. Технология AMD AI NIC теперь поддерживает оба типа задач на общей программируемой основе Ethernet, которая может развиваться с помощью обновлений программного обеспечения и прошивки.

Что касается ИИ, обучение языковой модели со 123 миллиардами параметров на графических процессорах AMD Instinct™ MI355X с адаптерами AMD Pensando™ Pollara 400 AI NIC достигло 4,48 эксафлопс пропускной способности в смешанной точности FP8 на 2048 графических процессорах. Увеличение задачи в 16 раз по сравнению со 128 графическими процессорами сохранило 98,3% пропускной способности на каждый GPU, и при любом протестированном масштабе графические процессоры поддерживали более 85% своей пиковой вычислительной мощности BF16, при этом линейные слои модели работали в FP8.

В оставшейся части этой статьи рассматривается вторая сторона вопроса: как тот же AI NIC справляется с шаблонами обмена данными, от которых зависят научные симуляции.

Как научные симуляции зависят от сети

HPC-симуляция разделяет одну большую научную задачу между множеством процессоров, и сеть определяет, насколько эффективно эти процессоры работают вместе. Процессоры обмениваются результатами с соседними процессорами на каждом шаге, поэтому шаг может выполняться только так быстро, как позволяет самое медленное сообщение. Задержка на одном канале может привести к тому, что тысячи процессоров будут простаивать в ожидании.

Еще одно требование — координация. Многие шаги требуют, чтобы каждый процессор объединил результаты перед тем, как симуляция сможет двигаться дальше, поэтому то, сколько времени занимают эти небольшие обмены и насколько это время варьируется от шага к шагу, может быть так же важно, как и чистая пропускная способность.

Для управления этим обменом большая часть современного HPC-программного обеспечения полагается на интерфейс передачи сообщений (Message Passing Interface, MPI) — широко принятый стандарт, который дает научным приложениям общий способ связи между несколькими сетевыми узлами. В симуляции погоды MPI — это то, как каждый узел передает данные о температуре, давлении и ветре на границах своего региона узлам, обрабатывающим соседние регионы. MPI также используется тысячами процессоров на этих узлах для объединения результатов, таких как общее количество осадков по всей зоне прогноза, перед началом следующего шага.

Технология AMD AI NIC поддерживает MPI через UCX, широко используемую библиотеку связи с открытым исходным кодом, которая подключает реализации MPI, такие как Open MPI, к сетевому оборудованию. Поддержка Libfabric, еще одной широко используемой библиотеки связи с открытым исходным кодом, находится в разработке. В результате существующие HPC-приложения обычно могут работать на стандартном Ethernet без значительных изменений кода.

Проверено в масштабе

Бенчмарки — полезная отправная точка, но настоящим испытанием являются научные приложения. На большом кластере графических процессоров AMD Instinct™ MI355X, каждый из которых сопряжен с адаптером AMD Pensando™ Pollara 400 AI NIC, были запущены репрезентативные HPC-нагрузки с использованием Open MPI и UCX в масштабах до 3760 графических процессоров. Три результата показывают, как сеть справляется с ростом задач.

Коллективная задержка: небольшой рост при большом масштабе. Операция Allreduce, в которой каждый процесс вносит значение и получает объединенный результат, лежит в основе итерационных решателей и многих кодов с временным шагом, и для этих кодов задержка малых сообщений имеет наибольшее значение. MPI Allreduce размером 8 байт на 2048 графических процессорах, с одним процессом MPI на GPU и данными в памяти GPU, выполнялся в среднем за 103 микросекунды. Увеличение задачи до 3760 графических процессоров (в 1,8 раза) увеличило эту задержку всего примерно на 17%, до 121 микросекунды.2

Молекулярная динамика: почти линейное сильное масштабирование. LAMMPS — один из наиболее широко используемых кодов молекулярной динамики в науке. Используя свой потенциал межъядерного взаимодействия на основе машинного обучения SNAP, фиксированная симуляция 17,2 миллиарда атомов вольфрама выполнялась в 40,9 раза быстрее на 3200 графических процессорах, чем на 64. Эффективность сильного масштабирования оставалась выше 97% на 1024 графических процессорах, удерживалась на уровне 94,4% на 2048 графических процессорах и достигла 81,9% на 3200 графических процессорах, что в 50 раз превышает начальное количество GPU.

Турбулентность: масштабирование спектрального кода с интенсивным использованием сети. Спектральные симуляции турбулентности являются одними из самых требовательных к сети нагрузок в HPC: каждый временной шаг транспонирует полную трехмерную сетку по всем графическим процессорам с использованием MPI Alltoall. В запусках слабого масштабирования M-PSDNS, бенчмарка OLCF, производного от промышленного решателя турбулентности, сетка росла вместе с системой до 12 288 × 6144 × 6144 точек на 1024 графических процессорах. В этом масштабе код поддерживал 72,7% эффективности слабого масштабирования FP32 по отношению к одному узлу, обрабатывая около 188 миллиардов точек сетки в секунду. Поскольку такие обмены ограничены пропускной способностью, нагрузки этого типа получают прямую выгоду от более высокой пропускной способности на порт.

Вместе с представленными ранее результатами обучения ИИ, эти результаты HPC демонстрируют, что технология AMD AI NIC поддерживает оба типа нагрузок в масштабе тысяч графических процессоров. Научные организации могут использовать общую основу Ethernet для обучения ИИ и устоявшихся научных приложений по мере разработки рабочих процессов «ИИ для науки».

Привносим открытые, программируемые сети в HPC

Научные организации обычно эксплуатируют суперкомпьютер от четырех до шести лет, согласно LUMI, в то время как стандарты, работающие на этих системах, продолжают меняться. Стандарт MPI, на который полагаются многие научные приложения, был обновлен three times since 2021, а библиотеки, соединяющие MPI с сетью, продолжают развиваться вместе с ним. Чтобы идти в ногу со временем на протяжении всего жизненного цикла, требуются две вещи: сеть, построенная на открытом стандарте Ethernet, чтобы организации могли выбирать из ряда совместимого оборудования по мере роста системы, и программируемый сетевой адаптер, который может добавлять новые возможности связи с помощью обновлений программного обеспечения и прошивки в течение всего срока службы системы.

Технология AMD AI NIC построена на полностью программируемом тракте данных P4. Вместо того чтобы фиксировать поведение транспорта при проектировании чипа, она позволяет разрабатывать, тестировать и совершенствовать логику протокола по мере изменения сетевых требований. По мере развития MPI и библиотек связи новые возможности могут внедряться через обновления программного обеспечения и прошивок, а не путем ожидания совершенно новой аппаратной платформы, что продлевает ценность уже развернутого оборудования.

Эта программируемость также позволила AMD оптимизировать AI NIC для HPC. Работа AMD по обеспечению поддержки HPC добавила возможности, на которые полагаются приложения MPI, включая нативный провайдер UCX через reliable-connected RDMA, общие очереди приема, снижающие объем памяти на каждое соединение, привязку GPU к NIC и настройку соединений, масштабируемую до тысяч GPU, а также конфигурацию NIC с емкостью пар очередей, необходимой для крупных задач MPI. Все это было реализовано с помощью программного обеспечения и прошивок на том же оборудовании AI NIC, которое используется для обучения ИИ, расширяя его возможности для HPC без необходимости приобретения нового AI NIC.

В разных поколениях технология AMD AI NIC использует общую программируемую основу, поэтому транспортное ПО, усилия по валидации и операционный опыт, накопленные в одном поколении, переносятся на следующее. Эта основа охватывает AMD Pensando™ Pollara 400 AI NIC на 400G и AMD Pensando™ Vulcano 800 AI NIC на 800G. Переход на 800G приносит новое оборудование NIC, но не означает перезапуск: ПО для HPC, валидированное на Pollara 400, переносится дальше, а для симуляций с высокой нагрузкой на пропускную способность удвоение пропускной способности на порт может сократить время ожидания GPU данных из сети.

Для научных сообществ технология AMD AI NIC предлагает сеть, которая может адаптироваться к изменению исследовательских потребностей и переносить валидированные наработки из одного поколения в другое. В совокупности эти преимущества помогают направлять большую часть инвестиций на открытия, а не на перестройку инфраструктуры.

Развитие научных вычислений

Научные вычисления будут предъявлять все более высокие требования к инфраструктуре по мере развития ИИ для науки. Климатические модели с более высоким разрешением, более детальные инженерные симуляции, более крупные молекулярные системы и модели ИИ, обученные на научных данных, — все это требует эффективной связи между растущим числом процессоров. Поскольку исследователи объединяют ИИ и HPC в своих рабочих процессах, им нужны сетевые решения, которые поддерживают и то, и другое и адаптируются по мере развития приложений в течение жизненного цикла системы.

В системах с GPU AMD Instinct™ MI355X и AMD Pensando™ Pollara 400 AI NIC технология AMD AI NIC уже делает и то, и другое: она обеспечивает обучение ИИ в формате FP8 с производительностью в несколько эксафлопс и масштабирует приложения MPI до тысяч GPU в одной стандартной сети Ethernet. Созданная для ИИ и оптимизированная для HPC, она подключает существующие приложения MPI к этой сети через UCX, а поддержка Libfabric находится в разработке.

Развернутая в Lux, технология AMD AI NIC обеспечивает масштабируемое соединение для обучения ИИ и симуляций HPC, помогая исследователям использовать оба подхода в общей сети Ethernet для развития ИИ для науки.

Полностью программируемая архитектура позволяет сети адаптироваться с помощью программного обеспечения при изменении стандартов, в то время как общая основа для разных поколений переносит валидированные наработки на более высокую пропускную способность. Благодаря выбору экосистемы AMD также предоставляет исследовательским организациям большую гибкость в том, как они создают и расширяют инфраструктуру, поддерживающую их научную деятельность.

Сноски

1. Обучение ИИ: плотный трансформер со 123 млрд параметров (архитектура Mistral-Large-Instruct-2411, 88 слоев), обученный с использованием Primus/Megatron-LM и RCCL в оптимизированной AMD конфигурации (кастомные FP8 GEMM, объединенные ядра, кэшированные веса FP8, планирование конвейера и перекрытие вычислений и коммуникаций); гибридная точность FP8 (линейные слои в FP8); тензорный параллелизм 1, четыре стадии конвейера с тремя чередующимися виртуальными стадиями каждая, параллелизм данных 2 на узел, микро-батч из одной последовательности в 4096 токенов, глобальный батч из 128 последовательностей на узел; пропускная способность рассчитана как 759,8 ГФЛОП на токен. От 16 до 256 узлов (от 128 до 2048 GPU): 2227 ТФЛОП/с на GPU (совокупно 285 ПФЛОП/с) на 128 GPU и 2189 ТФЛОП/с на GPU (совокупно 4,48 ЭФЛОП/с) на 2048 GPU. Эффективность слабого масштабирования = пропускная способность на GPU на N GPU / пропускная способность на GPU на 128 GPU. Использование указано относительно пика плотных вычислений BF16 на MI355X, составляющего 2516,6 ТФЛОП/с (88,5% на 128 GPU, 87,0% на 2048 GPU); относительно пика плотных вычислений FP8, составляющего 5033,2 ТФЛОП/с, оно составляет примерно 44%. Короткие прогоны пропускной способности со случайной инициализацией, 12 итераций на масштаб, среднее значение из девяти после трех итераций прогрева; эти прогоны измеряют пропускную способность, а не сходимость. ПО: ROCm 7.15.0, RCCL 2.30.4, PyTorch 2.12.0, Primus 26.7. Система: кластер GPU AMD Instinct™ MI355X; каждый узел с 2 процессорами AMD EPYC™ 9575F (64 ядра), 8 GPU AMD Instinct™ MI355X (по 288 ГБ HBM3E каждый) и 8 AMD Pensando™ Pollara 400 AI NIC (один на GPU, 3,2 Тбит/с на узел) в сети Ethernet RoCEv2 с топологией fat-tree. Тестирование по состоянию на октябрь 2026 г. Результаты получены в ходе одного прогона для каждого масштаба и могут варьироваться в зависимости от конфигурации, версий ПО и состояния системы. [ID заявки: MI350-091]

2. MPI Allreduce: OSU Micro-Benchmarks 7.5 (osu_allreduce), собранный для ROCm, 8-байтовые сообщения, буферы устройств GPU, один ранг на GPU, привязанный к парному NIC и локальному ядру CPU; Open MPI 5.0.10, UCX 1.22.0 (установленные программные модули); прошивка AI NIC 1.117.5-a-196 с профилем на 8K пар очередей; среднее значение 1000 итераций, результаты одного прогона для каждого масштаба. От 256 до 470 узлов (от 2048 до 3760 GPU). Система: кластер GPU AMD Instinct™ MI355X; каждый узел с 2 процессорами AMD EPYC™ 9575F (64 ядра), 8 GPU AMD Instinct™ MI355X (по 288 ГБ HBM3E каждый) и 8 AMD Pensando™ Pollara 400 AI NIC (один на GPU, 3,2 Тбит/с на узел) в сети Ethernet RoCEv2 с топологией fat-tree. Тестирование по состоянию на октябрь 2026 г. Результаты получены в ходе одного прогона для каждого масштаба и могут варьироваться в зависимости от конфигурации, версий ПО и состояния системы. [ID заявки: MI350-092]

3. LAMMPS (22 июля 2025 г., обновление 3) с Kokkos 4.6.2, потенциал SNAP, бенчмарк Thompson-Wood для вольфрама, реплицированный 2048 раз в каждом измерении (17 179 869 184 атома), 100 шагов; один ранг MPI на GPU; режим SPX/NPS1; Open MPI 5.0.10, UCX 1.22, UCC 1.8, ROCm 7.2.4. От 8 до 400 узлов (от 64 до 3200 GPU); время цикла 4481,6 с на 64 GPU и 109,5 с на 3200 GPU. Эффективность сильного масштабирования = (T64 x 64) / (TN x N). Система: кластер GPU AMD Instinct™ MI355X; каждый узел с 2 процессорами AMD EPYC™ 9575F (64 ядра), 8 GPU AMD Instinct™ MI355X (по 288 ГБ HBM3E каждый) и 8 AMD Pensando™ Pollara 400 AI NIC (один на GPU, 3,2 Тбит/с на узел) в сети Ethernet RoCEv2 с топологией fat-tree. Тестирование по состоянию на октябрь 2026 г. Результаты получены в ходе одного прогона для каждого масштаба и могут варьироваться в зависимости от конфигурации, версий ПО и состояния системы. [ID заявки: MI350-093]

4. M-PSDNS (тест производительности OLCF-6), FP32, десять шагов на запуск; hipFFT с выгрузкой OpenMP target; режим SPX/NPS1; Open MPI 5.0.10, UCX 1.22, UCC 1.8, ROCm AFAR 22.2; размер сетки увеличивается с 1 536³ на 1 узле до 12 288 x 6 144² на 128 узлах (1 024 GPU), 4,53 x 10⁸ точек на GPU. Эффективность слабого масштабирования = время шага на 1 узле / время шага на N узлах; пропускная способность = количество точек сетки на шаг RK2 / время шага. На графике также показаны данные FP64 (базовый показатель для 2 узлов; 59,6% на 128 узлах). Система: кластер GPU AMD Instinct™ MI355X; каждый узел оснащен 2 процессорами AMD EPYC™ 9575F (64 ядра), 8 GPU AMD Instinct™ MI355X (по 288 ГБ HBM3E каждый) и 8 сетевыми адаптерами AMD Pensando™ Pollara 400 AI (по одному на GPU, 3,2 Тбит/с на узел) в структуре fat-tree RoCEv2 Ethernet. Тестирование проведено по состоянию на октябрь 2026 года. Результаты получены на основе одного запуска для каждого масштаба и могут варьироваться в зависимости от конфигурации, версий программного обеспечения и состояния системы. [Идентификатор заявки: MI350-094]

← Все статьи

О чём эта статья

Ещё в разделе «Hardware и электроника»

Все →
Apple представила новые средства контроля безопасности Mac на фоне рисков конфиденциальности, связанных с ИИ-агентамиПресса
Apple

Apple представила новые средства контроля безопасности Mac на фоне рисков конфиденциальности, связанных с ИИ-агентами

[Экосистема ИИ] Завершение формирования ИИ: Физический интеллект и роль памяти
SK hynix

[Экосистема ИИ] Завершение формирования ИИ: Физический интеллект и роль памяти

Европейские технологические лидеры сформировали консорциум AI Gigafactory Northern для создания надежной и устойчивой инфраструктуры ИИ
Nokia

Европейские технологические лидеры сформировали консорциум AI Gigafactory Northern для создания надежной и устойчивой инфраструктуры ИИ

Nokia подписывает соглашение о патентном лицензировании с ASUS
Nokia

Nokia подписывает соглашение о патентном лицензировании с ASUS

Schneider Electric вновь признана «формирователем рынка» (Market Shaper) в отчете Gartner® Emerging Market Quadrant по услугам в области физического ИИ за ноябрь 2026 года
Schneider Electric

Schneider Electric вновь признана «формирователем рынка» (Market Shaper) в отчете Gartner® Emerging Market Quadrant по услугам в области физического ИИ за ноябрь 2026 года

Контроль дизайна для вездесущего интерфейса — на ветреном Web Summit
Logitech

Контроль дизайна для вездесущего интерфейса — на ветреном Web Summit

Ещё от AMD

AMD расширяет возможности обучения ИИ в MLPerf® Training 6.1
AMD

AMD расширяет возможности обучения ИИ в MLPerf® Training 6.1

AMD и Rancher Government Solutions внедряют безопасные HPC и ИИ в Kubernetes
AMD

AMD и Rancher Government Solutions внедряют безопасные HPC и ИИ в Kubernetes

Открытый программный стек для объединения квантовых компьютеров и суперкомпьютеров
AMD

Открытый программный стек для объединения квантовых компьютеров и суперкомпьютеров

Компонуемая среда выполнения Qblox и AMD
AMD

Компонуемая среда выполнения Qblox и AMD

Эра эксафлопса была лишь началом: графические процессоры AMD Instinct™ MI430X
AMD

Эра эксафлопса была лишь началом: графические процессоры AMD Instinct™ MI430X

Платформы на базе AMD EPYC 9006 SP7 уже поставляются
AMD

Платформы на базе AMD EPYC 9006 SP7 уже поставляются